Notebook de classification du modèle entraîné avec photos rognées

Adrian Rodriguez

Projet 7 parcours Ingénieur Machine Learning

Accès projet git

Plus d'informations


0. Contexte

Un rapport sur les erreurs de classification des races de chiens a été soumis à l’association de protection des animaux. Dans ce rapport, il est recommandé d’implémenter une solution de détection d’objet pour améliorer la qualité des photos. Cette solution doit isoler l’objet à classifier en procédant à un rognage. Cette nouvelle méthode fera appel au dernier YOLO, version 4.

Sources bibliographiques :

Prototype

Ce notebook présente les résultats de classification du modèle Xception entraînés avec les photos rognées. J'évalue également la performance de YOLOv4 par rapport aux annotations portées dans le jeu de données.


1. Chargement du modèle et des fichiers nécessaires


2. Extraction des prédictions en erreur


3. Etude des prédictions en erreur

3-1. Visualisation d'un échantillon d'erreur

Les erreurs sont désormais dues à des erreurs d'attribution des races, à des photos de jeunes chiens, ou à des races qui se ressemblent fortement.


4. Résultat de classification

Le modèle entraîné sur les photos rognés donne de meilleurs performance (+4 %). Recommendations :

4. Evaluation de la performance de YOLOv4

4-1. Récupération des box du jeu de données

4-2. Récupération des box YOLOv4

4-3. Evaluation de YOLOv4

4-3-1. Métriques maison (Center, Shape, Global)

4-3-2. Métrique IoU (Intersection Over Union)

4-3-3. Conclusion sur les métriques

En fonction du seuil d'erreur, YOLOv4 joue bien son rôle d'identificateur d'objet. Comme pour le classifieur, la précision pourrait être significativement amélioré en même temps que la qualité du jeu de données, car nous l'avons vu, il peut y avoir plusieurs chiens dans une photo.